Navigating Semantic Relations: Challenges for Language Models in Abstract Common-Sense Reasoning
University of Southern California(南加州大学)
该研究针对大语言模型抽象常识推理能力不足的问题,提出指令提示和少样本提示两种方法,基于ConceptNet的实验揭示了商用模型的性能差距与偏差,验证了选择性检索提示工程的优化潜力。
2025-02-19 cs.AI cs.CL
Navigating the Nuances: A Fine-grained Evaluation of Vision-Language Navigation
KU Leuven(鲁汶大学);Fudan University(复旦大学);Nanyang Technological University(南洋理工大学);Peking University(北京大学)
本研究提出一种基于上下文无关文法的视觉语言导航细粒度评估框架,借助LLMs半自动构建CFG并生成五类指令数据,揭示了现有模型的性能差异与关键问题。
2024-09-25 cs.AI cs.CL cs.CV
Navigating the Path of Writing: Outline-guided Text Generation with Large Language Models
Boston University(波士顿大学);NAVER AI Platform(NAVER人工智能平台);Seoul National University(首尔国立大学)
针对LLM生成文本难以满足用户意图的问题,提出WritingPath框架,利用显式大纲引导生成高质量目标导向文本,并通过多样化数据集和全面评估验证其有效性。
2025-02-23 cs.AI cs.CL cs.HC
Knowledge-Infused Legal Wisdom: Navigating LLM Consultation through the Lens of Diagnostics and Positive-Unlabeled Reinforcement Learning
Worcester Polytechnic Institute(伍斯特理工学院);Peking University(北京大学);Indiana University at Bloomington(印第安纳大学布卢明顿分校)
本文提出诊断式法律大语言模型D3LM,通过自适应诊断问题、图基正无标记强化学习PURL和LLM停止准则实现精确法院意见生成,并构建新CVG数据集,在法律领域超越经典LLMs。
2024-06-05 cs.AI cs.CL
Soft Reasoning: Navigating Solution Spaces in Large Language Models through Controlled Embedding Exploration
King's College London, UK(伦敦国王学院);The Alan Turing Institute, UK(艾伦·图灵研究所);University of Warwick, UK(沃里克大学)
本文提出Soft Reasoning框架,通过结合嵌入扰动和贝叶斯优化来优化首token嵌入,有效平衡探索与利用,提升LLMs复杂推理准确性与连贯性,且计算成本低、与模型无关。
2025-09-13 cs.CL
GNNavi: Navigating the Information Flow in Large Language Models by Graph Neural Network
Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)(可扩展数据分析与人工智能中心(ScaDS.AI));TU Dresden(德累斯顿工业大学);Center for Information and Language Processing (CIS), LMU Munich(慕尼黑大学信息与语言处理中心(CIS));Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心(MCML))
GNNavi 提出一种基于图神经网络的参数高效微调方法,通过将标签词作为信息传播锚点并硬连接期望信息流,在仅更新 0.2%–0.5% 参数的情况下超越标准提示微调方法。
2024-06-07 cs.AI cs.CL
Navigating the Trade-off: A Synthesis of Defensive Strategies for Zero-Shot Adversarial Robustness in Vision-Language Models
本报告综合八篇论文,分析视觉语言模型零样本对抗鲁棒性中鲁棒性与泛化的权衡,对比对抗微调与免训练防御,并展望混合防御与对抗预训练方向。
2025-08-07 cs.AI cs.CV
Navigating WebAI: Training Agents to Complete Web Tasks with Large Language Models and Reinforcement Learning
Maastricht University(马斯特里赫特大学)
本文提出一种结合监督学习与强化学习的方法,通过改进模型对HTML结构的真正理解,在MiniWoB基准上以更少数据提升了Web导航任务性能,缩小了与RL模型的差距。
2024-05-01 cs.AI cs.CL cs.LG
Denevil: Towards Deciphering and Navigating the Ethical Values of Large Language Models via Instruction Learning
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
本文提出DeNEVIL提示生成算法与MoralPrompt数据集,以生成式评测揭示LLMs伦理价值错位,并通过VILMO上下文对齐提升输出价值合规性。
2024-03-04 cs.AI cs.CL cs.CY
Navigating Prompt Complexity for Zero-Shot Classification: A Study of Large Language Models in Computational Social Science
The University of Sheffield(谢菲尔德大学)
本研究评估了ChatGPT和OpenAssistant在六项计算社会科学任务中的零样本分类性能,发现其不及微调的BERT-large模型,且不同提示策略对准确率和F1分数的影响超过10%。
2024-03-24 cs.CL
Navigating the Risks of Using Large Language Models for Text Annotation in Social Science Research
Stony Brook University(石溪大学)
本文面向社会科学文本标注,提出将 LLM 用作主要编码决策者或助手的评估框架,系统检验其有效性、可靠性、可复现性与透明度风险,并给出实用指南。
2025-07-25 cs.CL cs.CY
Navigating Tomorrow: Reliably Assessing Large Language Models Performance on Future Event Prediction
University of Innsbruck(因斯布鲁克大学)
该研究构建跨训练截止日期的新闻数据集,从提问方式、推理和反事实分析三方面评估LLM的未来事件预测能力,揭示其潜力与局限。
2025-01-10 cs.CL cs.IR
AgentAlign: Navigating Safety Alignment in the Shift from Informative to Agentic Large Language Models
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出AgentAlign框架,利用抽象行为链在模拟环境中合成安全对齐数据,有效提升开源LLM智能体的安全性(提升35.8%至79.5%)并保持其有用性。
2025-05-29 cs.AI cs.CL cs.CR
Tokenization Matters: Navigating Data-Scarce Tokenization for Gender Inclusive Language Technologies
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Amazon AGI Foundations(亚马逊AGI基金会);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文揭示BPE因数据稀缺过度切分英语新代词并导致LLM性别错称,提出代词分词对等与利用已有代词知识两种方法,将准确率从14.1%提升至58.4%。
2024-04-06 cs.AI cs.CL cs.LG
AI-as-exploration: Navigating intelligence space
Umeå University(于默奥大学)
本文提出“AI即探索”的核心观点,认为AI是探索智能空间的关键工具,并以大语言模型与人类的概念结合能力对比为案例,证明其虽解题方式异于人类但对智能研究价值显著。
2024-08-16 cs.AI cs.CL
Navigating the Cultural Kaleidoscope: A Hitchhiker's Guide to Sensitivity in Large Language Models
Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校);Microsoft Corporation(微软公司);INSAIT, Sofia University "St. Kliment Ohridski"(索菲亚大学"圣·克利门特·奥赫里德斯基"分校INSAIT研究所)
本研究提出文化伤害测试数据集与文化对齐偏好数据集,通过微调提升大型语言模型的文化敏感性,显著减少文化不敏感或有害内容的生成。
2025-01-24 cs.AI cs.CL cs.CY
Large Language Models and Forensic Linguistics: Navigating Opportunities and Threats in the Age of Generative AI
College of Humanities and Social Sciences(人文与社会科学学院);Hamad Bin Khalifa University(哈马德·本·卡西姆大学)
本文探讨了大语言模型对语言学鉴定的双重影响,指出其在分析工具与身份混淆方面的矛盾,并提出混合工作流程和可解释检测方法以提升科学可信度和法律可采性。
2025-12-07 cs.CL cs.CY
Navigating through the hidden embedding space: steering LLMs to improve mental health assessment
University of Tuebingen(图宾根大学);Insubria University(因斯布里亚大学)
本文提出对 LLM 特定层激活进行线性变换并用引导向量调控输出的轻量方法,在抑郁相关帖子识别和心理问卷完成任务上提升了心理健康评估性能。
2025-10-18 cs.AI cs.CL
AutoWebGLM: A Large Language Model-based Web Navigating Agent
Tsinghua University(清华大学);Zhipu AI(智谱AI);Beijing U. of Posts and Telecoms(北京邮电大学);U. of Chinese Academy of Sciences(中国科学院大学)
针对Web导航中HTML复杂性、操作多样性和开放域任务难度问题,基于ChatGLM3-6B开发AutoWebGLM,通过HTML简化、人机混合数据训练及强化学习与拒绝采样,构建双语基准AutoWebBench,实现超越GPT-4的导航性能。
2024-10-12 cs.CL
A Detailed Factor Analysis for the Political Compass Test: Navigating Ideologies of Large Language Models
Oklahoma State University(俄克拉荷马州立大学);University of North Texas(北德克萨斯大学)
该研究通过对政治罗盘测试(PCT)的因素分析,发现提示词措辞和微调显著影响大型语言模型的政治偏见评估结果,而生成参数和数据集政治属性影响极小,并将结论推广至8 Values测试,质疑现有测试有效性。
2025-11-11 cs.CL cs.CY cs.LG
Navigating Cultural Chasms: Exploring and Unlocking the Cultural POV of Text-To-Image Models
Faculty of Data and Decision Sciences, Technion, IIT(以色列理工学院数据与决策科学学院);Language Technology Lab, University of Cambridge, UK(剑桥大学语言技术实验室)
本研究构建三层文化本体与提示模板,结合多维度评估方法和跨语言多模型的CulText2I数据集,探究文本生成图像模型的文化编码机制,为其跨文化应用奠定基础。
2024-08-13 cs.AI cs.CL cs.LG
Navigating the digital spectrum: Assessing political bias, stability, and downstream fairness in Large Language Models
Jožef Stefan Institute(约热·斯泰凡研究所);Jožef Stefan International Postgraduate School(约热·斯泰凡国际研究生学院);University of La Rochelle(拉罗谢尔大学);University of Ljubljana(卢布尔雅那大学)
本研究提出政治罗盘测试框架,通过八维扰动空间采样评估八个大型语言模型的政治坐标,发现指令和语言显著影响结果,且角色提示对下游任务影响有限。
2026-09-09 cs.CL cs.CY
Epicure: Navigating the Emergent Geometry of Food Ingredient Embeddings
本文提出Epicure,一种基于三兄弟skip-gram模型重新训练的食品成分嵌入方法,通过多语言食谱语料库构建了包含1790个标准成分的嵌入模型,并通过三种不同的随机游走方案生成了不同侧重的模型。
2026-05-21 cs.AI cs.CL cs.CY
UNIVID: Unified Vision-Language Model for Video Moderation
Bytedance(字节跳动)
提出UNIVID统一视觉语言模型,通过生成可解释的策略感知字幕,实现端到端视频审核,减少违规泄露42.7%和过度审核率37.0%。
2026-06-04 cs.AI cs.CL cs.MM
Navigating the Labyrinth: Path-Sensitive Unit Test Generation with Large Language Models
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(区块链与数据安全国家重点实验室,浙江大学)
针对现有单元测试生成方法路径不敏感导致覆盖率不足的问题,提出路径敏感型框架JUnitGenie,结合代码知识与LLM语义能力生成高覆盖率测试,分支覆盖率提升至31.00%,并有效覆盖真实Bug。
2025-10-11 cs.AI cs.SE
Navigating LLM Ethics: Advancements, Challenges, and Future Directions
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究梳理大型语言模型(LLMs)的通用与特有伦理挑战,提出跨学科合作、领域定制伦理框架及动态审计系统等缓解策略,为LLM的负责任发展与落地提供路线指引。
2025-06-15 cs.AI cs.CL cs.CY
Navigating the Landscape of Hint Generation Research: From the Past to the Future
Columbia University(哥伦比亚大学);University of Innsbruck(因斯布鲁克大学)
本文综述提示生成研究,旨在弥合教育认知科学与AI/NLP领域的差距,提出提示生成任务的正式定义,并讨论构建有效系统的路线图,包括挑战、方向与伦理考量。
2024-11-26 cs.CL cs.HC
The Fine Line: Navigating Large Language Model Pretraining with Down-streaming Capability Analysis
Peking University(北京大学);Tianjin University(天津大学);University of Melbourne(墨尔本大学);Multimodal Art Projection Research Community(多模态艺术投影研究社区);Fudan University(复旦大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Emory University(埃默里大学);HKUST(香港科技大学);University of Manchester(曼彻斯特大学);University of Waterloo(滑铁卢大学);Vector Institute(矢量研究所)
本文通过比较不同规模模型预训练中间检查点的下游能力,发现特定指标动态相似,并发布复现的检查点资源,提出评估优化状态的策略以指导稳定预训练。
2024-11-06 cs.CL
Navigating the Knowledge Sea: Planet-scale answer retrieval using LLMs
Terraprompt AI(泰拉prompt人工智能公司)
本文综述信息检索技术演变,聚焦LLMs如何弥合传统搜索与答案检索的鸿沟,并展望未来方向。
2024-02-07 cs.CL cs.IR cs.LG
Navigating LLM Valley: From AdamW to Memory-Efficient and Matrix-Based Optimizers
Center for Applied Scientific Computing(应用科学计算中心)
本文探讨了大语言模型优化器的发展,从传统方法到内存高效和矩阵优化器,强调了在大规模训练中优化器的统计有效性、计算和内存效率。
2026-08-05 cs.AI cs.LG math.OC
Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning
The Hong Kong University of Science and Technology(香港科技大学);Dartmouth College(达特茅斯学院)
本文提出一种免训练的LLM空间推理框架,将环境、动态障碍物和路径统一编码为离散token,实现多智能体协调、闭环重规划和动态避障,突破以往四方向静态环境限制,展示LLM在仿真与具身系统中基于文本交互的导航泛化能力。
2025-06-05 cs.AI cs.CV cs.RO
Fine-Tuning, Quantization, and LLMs: Navigating Unintended Outcomes
Enkrypt AI
本文评估Mistral、Llama、Qwen和MosaicML及其微调变体,揭示微调通常提升越狱成功率、量化影响不一,而恰当防护栏可显著增强安全性。
2024-09-09 cs.AI cs.CR
Follow the Latent Roadmap: Navigating Revocable Decoding for Diffusion LLMs with Anchor Tokens
King's College London(伦敦国王学院);The Chinese University of Hong Kong(香港中文大学);The Alan Turing Institute, UK(英国艾伦·图灵研究所)
针对扩散大语言模型解码速度与质量的权衡,提出无训练框架ASRD,通过锚定令牌解耦上下文,结合锚定引导生成与锚定扰动验证,在数学和编码基准上提升准确率6.4%,加速推理7.2倍。
2026-09-17 cs.AI cs.CL
Navigating the Rabbit Hole: Emergent Biases in LLM-Generated Attack Narratives Targeting Mental Health Groups
Georgia Institute of Technology(佐治亚理工学院);Rochester Institute of Technology(罗切斯特理工学院)
本文研究了LLM生成的攻击叙事中对心理健康群体的偏见问题,提出评估框架和污名分析,揭示了LLM在加剧有害话语方面的结构性倾向。
2026-01-29 cs.AI cs.CL cs.CY
Cognition on Graph: Navigating Massive Knowledge Space via Cognitive Cycles and Bidirectional Graph-Text Synergy
Beijing University of Posts and Telecommunications(北京邮电大学);Zhongguancun Academy(中关村学院);MAIS, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所多模态人工智能系统全国重点实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
提出CoG框架,受认知启发,通过规划-探索-反思循环和双向图-文本协同,在七个多跳问答基准上超越现有方法,实现高效自适应知识探索。
2026-09-14 cs.AI cs.CL cs.IR
Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents
Zhejiang University(浙江大学);Southeast University(东南大学);Stony Brook University(石溪大学)
本文综述了基于LLM的智能体面临的安全、隐私与伦理威胁,提出基于来源和影响的新分类框架,分析六大特征与四个案例,并从数据、方法和政策展望未来方向。
2024-11-14 cs.AI
Token Trails: Navigating Contextual Depths in Conversational AI with ChatLLM
Stevens Institute of Technology(史蒂文斯理工学院);Amazon(亚马逊公司);Khulna University(库尔纳大学);Chittagong University of Engineering and Technology(吉大港工程技术大学)
本文提出 Token Trails 框架,通过 token 类型嵌入区分用户与机器人话语以增强上下文建模,实验表明其在对话理解和回复生成上达到最先进性能。
2024-04-03 cs.AI cs.CL cs.IR
Navigating the Unknown: A Chat-Based Collaborative Interface for Personalized Exploratory Tasks
Southeast University(东南大学);Microsoft(微软公司);Nanjing University(南京大学)
针对大语言模型聊天机器人在模糊查询下个性化支持不足的问题,提出融合多智能体框架与三面板结构化界面的CARE系统,可识别用户显隐性需求并生成定制方案,用户研究显示其相比基线系统更受偏好。
2024-10-31 cs.AI cs.CL cs.HC
Against The Achilles' Heel: A Survey on Red Teaming for Generative Models
LibrAI;Tsinghua University(清华大学);Harbin Institute of Technology(哈尔滨工业大学);Monash University(莫纳什大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);The University of Melbourne(墨尔本大学)
针对生成式模型安全漏洞问题,该综述分析120余篇论文,提出细粒度攻击策略分类法、开发“searcher”框架统一自动红队方法,并覆盖多模态攻防等新领域,为红队测试提供全面参考。
2024-11-26 cs.CL
Intent Graph: Navigating the Analytical Reasoning Space for Exploratory Data Analysis
University of Washington(华盛顿大学)
该研究提出DAG-EDA系统,通过意图图与多层知识图谱辅助分析人员结合LLM开展探索性数据分析,解决LLM输出非结构化的问题,提升分析推理与导航能力。
2026-10-09 cs.AI cs.HC
Navigating the Shadows: Unveiling Effective Disturbances for Modern AI Content Detectors
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
该研究面向非正式与专业写作场景,系统评估现代 AI 文本检测器的开箱即用性能,并用 12 种黑盒扰动及对抗学习考察其鲁棒性与数据增强效果。
2024-06-13 cs.AI cs.CL cs.LG
LawCompass: Navigating from Legal QA to Multi-Agent Deep Research with Grounded Evidence
Anhui University(安徽大学);Tsinghua University(清华大学)
LawCompass是一个基于证据的法律助手,通过法律问答、专业检索和深度研究三种功能,实现从标准问答到多智能体深度研究的转变,并保持引用链接以增强可信度。
2026-10-02 cs.CL
Navigating the Prompt Space: Improving LLM Classification of Social Science Texts Through Prompt Engineering
本文通过系统变化提示工程的三个方面,探讨如何通过增加提示上下文提高LLM对社会科学文本的分类准确性,发现最小的上下文增加能显著提升性能,但过度增加反而可能降低准确性。
2026-03-26 cs.CL cs.CY
R2R: Efficiently Navigating Divergent Reasoning Paths with Small-Large Model Token Routing
Tsinghua University(清华大学);Infinigence AI;Shanghai Jiao Tong University(上海交通大学)
本文提出R2R神经令牌路由方法,通过仅对LLM与SLM推理路径发散的关键令牌调用大模型,在保持性能的同时显著提升推理效率。
2025-11-05 cs.AI cs.CL cs.LG
Unmasking the Shadows of AI: Investigating Deceptive Capabilities in Large Language Models
University College London(伦敦大学学院)
本研究批判性调查大型语言模型中的欺骗行为,分类四种欺骗类型并评估其社会影响,提出治理与教育应对策略。
2024-02-07 cs.AI cs.CL
Generative Agents Navigating Digital Libraries
University of Passau(帕绍大学)
Agent4DL通过生成逼真的用户行为模拟,解决数字图书馆中用户搜索数据稀缺的问题,其在生成多样化和语境感知的用户行为方面表现优异。
2026-02-26 cs.AI cs.DL cs.IR
Navigating the Labyrinth: Evaluating LLMs' Ability to Reason About Search Problems
Berkeley AI Research, UC Berkeley(加州大学伯克利分校伯克利人工智能研究所);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
针对 LLMs 在搜索类逻辑问题上表现不佳的挑战,研究提出 SearchBench 基准,发现提示模型生成完整 A* 算法并配合 MSMT 推理方法可显著提升其解题正确率至 57% 以上。
2025-09-15 cs.AI
Navigating Unreliable Parametric and Contextual Knowledge: Explicit Knowledge Conflict Resolution for LLM Inference
National Key Laboratory of Big Data and Decision, National University of Defense Technology(国防科技大学大数据与决策国家重点实验室)
提出MACR框架,通过自适应知识评估与多智能体推理,显式解决大语言模型内部参数知识与外部上下文之间的冲突,超越传统二元选择范式。
2026-06-19 cs.AI
AutoMLGen: Navigating Fine-Grained Optimization for Coding Agents
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
AutoMLGen提出结合领域知识库与蒙特卡洛图搜索的编码代理,解决LLM在AutoML等任务中缺乏细粒度先验和搜索多样性不足的问题,在MLE-Bench上以半预算实现SOTA性能。
2025-10-09 cs.AI cs.CL cs.LG
Navigating the Noisy Crowd: Finding Key Information for Claim Verification
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对事实验证中证据与声明嘈杂的问题,提出EACon框架,通过关键词提取与模糊匹配抽象证据,并解构声明为子声明分别验证,显著提升LLM性能。
2024-07-17 cs.CL
SPICEPilot: Navigating SPICE Code Generation and Simulation with AI Guidance
New Jersey Institute of Technology(新泽西理工学院)
针对 LLM 缺乏硬件知识、难以准确生成电路级 SPICE 代码的问题,提出基于 PySpice 的 Python 数据集与框架 SPICEPilot,支持仿真脚本自动化、标准化评估及硬件设计集成路线图。
2024-10-27 cs.AI cs.AR
Sword and Shield: Uses and Strategies of LLMs in Navigating Disinformation
Singapore University of Technology and Design(新加坡科技设计大学)
本文通过25人参与的“狼人杀”式论坛沟通博弈,考察LLM在虚假信息制造、审核与识别中的角色化用途,并提出兼顾风险治理、用户赋能与信任建设的发展建议。
2025-06-08 cs.AI cs.HC
Navigating by Old Maps: The Pitfalls of Static Mechanistic Localization in LLM Post-Training
School of Computer Science and Technology(计算机科学与技术学院);Xi’an Jiaotong University(西安交通大学);School of Computer Science and Engineering(计算机科学与工程学院);The Chinese University of Hong Kong(香港中文大学);Shaanxi Co., Ltd(陕西有限公司);China Mobile Group(中国移动集团);College of Computing and Data Science(计算与数据科学学院);Nanyang Technological University(南洋理工大学)
研究探讨了在LLM微调中静态机械定位的局限性,提出三种新指标分析电路演变,并强调需要前瞻性机制定位。
2026-05-07 cs.CL
Comprehensive Evaluation of Large Language Model Responses: A Multi-Factor Scoring System
School of Computer Science and Engineering, Beihang University, Beijing, China(北京航空航天大学计算机科学与工程学院);Data Science and Intelligent Computing Laboratory, Hangzhou International Innovation Institute, Beihang University, Hangzhou, Zhejiang(北京航空航天大学杭州国际创新研究院数据科学与智能计算实验室)
针对大语言模型回答质量评估,提出多因素评分范式,融合准确性等多方面因素,通过图形用户界面可视化结果,在TruthfulQA数据集上评估揭示模型优缺点,为知识工程和模型优化提供新途径。
2026-07-09 cs.AI cs.CL